陳雙全

(武漢船舶職業(yè)技術(shù)學(xué)院電氣學(xué)院，湖北 武漢 430050)

1 引言

面對海量視頻上傳請求，有限的審核員配備條件，不可能讓審核員將視頻認真從頭看到尾，這就為不良人員提供了在正規(guī)視頻中插播非正規(guī)內(nèi)容的機會。而機械識別效率和準(zhǔn)確率仍然不能滿足工程應(yīng)用的要求。因此本系統(tǒng)提出了針對視頻興趣度排列組合的K-MEANS改進聚類算法識別違規(guī)視頻，保證互聯(lián)網(wǎng)視頻內(nèi)容的健康性。

2 視頻結(jié)構(gòu)分析

從視頻數(shù)據(jù)形成的角度來看，按照形成過程首先視頻內(nèi)容包含了多個視頻的圖像幀，由一連串圖像幀構(gòu)成了一個鏡頭，再由多組鏡頭構(gòu)成了一個場景，最后由多個場景片段組成視頻。在進行視頻結(jié)構(gòu)化處理時，視頻流、場景分割、關(guān)鍵幀提取等都可以作為視頻內(nèi)容數(shù)據(jù)分析的組成部分。由此可見，視頻內(nèi)容識別有別于一般數(shù)據(jù)結(jié)構(gòu)性的關(guān)聯(lián)關(guān)系，視頻內(nèi)容非結(jié)構(gòu)化特征更為明顯。

3 視頻內(nèi)容檢索技術(shù)

3.1 鏡頭分割

對于一段視頻的內(nèi)容識別要首先對其按照視頻拍攝時的鏡頭進行分割，無論是影片還是短視頻，都是由多個鏡頭組合而成，即使采用長鏡頭進行拍攝通常也不會大于10分鐘。所以，在對鏡頭進行分割時要從鏡頭切換點進行分割，將視頻劃分出若干個鏡頭的組成。鏡頭與鏡頭之間存在濾鏡的過渡，在分割時要準(zhǔn)確把握濾鏡的切入點與切出點，由此進行平均分割以達到鏡頭分割的準(zhǔn)確性。

3.2 關(guān)鍵幀提取

鏡頭分割完成后，每一個鏡頭都包含一連串的圖像幀，圖像幀以圖像片段的形式存在，通過幀的滾動實現(xiàn)圖像的連貫性播放。圖像幀作為視頻內(nèi)容的基本組成單元，進行鏡頭圖像內(nèi)容的聚類可采用有幀平均法和直方圖平均法進行關(guān)鍵幀的提取。有幀平均法是對一組連貫的圖像幀以圖像內(nèi)容相似度聚類的平均值所屬關(guān)鍵幀圖像作為圖像內(nèi)容進行識別，直方圖平均法是對鏡頭中圖像坐標(biāo)像素數(shù)的平均值作為圖像內(nèi)容進行識別進而得到關(guān)鍵幀的圖像。

3.3 視頻內(nèi)容聚類

對提取出來的關(guān)鍵幀圖像按照圖像特征數(shù)據(jù)庫進行比對分析和聚類計算，圖像特征數(shù)據(jù)庫作為圖像內(nèi)容識別的基礎(chǔ)，其包含了大量的非結(jié)構(gòu)化圖像特征，可通過對圖像特征的累計不斷豐富圖像特征數(shù)據(jù)庫的內(nèi)容，由此提高視頻內(nèi)容識別的準(zhǔn)確度。

4K-MEANS聚類改進算法

4.1 視頻內(nèi)容識別算法

現(xiàn)有視頻內(nèi)容識別算法主要包括：K均值模糊聚類算法和C均值模糊聚類算法?；贙均值聚類的視頻內(nèi)容識別均值算法模型如下：（1）選取K個聚類中心作為視頻內(nèi)容樣本的K均值聚類

（3）計算視頻內(nèi)容樣本各聚類中心的新向量值:

式中nj為Sj所包含的樣本數(shù)。

K均值偽代碼如下：

設(shè)定聚類數(shù)目K，最大執(zhí)行步驟tmax，一個很小的容忍誤差ε>0決定聚類中心起始位置Cj（0），00，起始位置Cj（0），0

實現(xiàn)原理是：設(shè)有視頻內(nèi)容像素點X={x1,x2,…,xn} ，將它分為c類，uik為xk對第i類的隸屬度，用一個模糊隸屬度矩陣U={uik}∈Rcn表示分類結(jié)果，必須滿足：

通過最小化關(guān)于隸屬度矩陣U和聚類中心V的目函數(shù)Jm(U，V)來實現(xiàn)：

其中，U={uik}為滿足條件（1）的隸屬度矩陣，為c個聚類中心點集，m∈(1,+∞)為加權(quán)指數(shù)，當(dāng)m=1時，模糊聚類就退化為硬C均值聚類。

第k個樣本到第i類中心的距離定義為：

（1）初始化視頻內(nèi)容樣本的聚類中心V={v1,v2,…,vc} ；

（2）用隨機數(shù)的方式初始化視頻內(nèi)容樣本的屬性度量矩陣；

（3）計算C均值聚類算法的視頻內(nèi)容樣本的隸屬度矩陣：

其中，A為p×p的正定矩陣，當(dāng)A=I時，即為歐氏距離。

C均值聚類算法的聚類模型描述如下：

（5）重復(fù)步驟三和四直至公式6的結(jié)果處于收斂狀態(tài)。

C均值聚類偽代碼如下：

輸入：總數(shù)K，尺度tmax，誤差ε>0，起始位置Cj（0），0

4.2 K-MEANS聚類改進算法設(shè)計

針對現(xiàn)有的K-MEANS算法在流媒體視頻中的聚類結(jié)果往往趨于孤立點的問題以及時間復(fù)雜度為O(n2)不利于對流媒體系統(tǒng)中大數(shù)據(jù)量的挖掘的問題，本文采用的是基于排列組合思想的K-MEANS聚類改進算法。

K-MEANS聚類改進算法的設(shè)計流程：For i=0；i

if（e∈E）{//如果待測元素e屬于極大聚類集合

5 結(jié)語

本文對現(xiàn)有視頻內(nèi)容識別算法進行分析，包括：K均值模糊聚類算法和C均值模糊聚類算法，提出了基于改進的K-均值聚類算法的視頻內(nèi)容識別設(shè)計思想，并通過算法的設(shè)計流程完成對K-MEANS聚類改進解決流媒體視頻中的聚類結(jié)果趨于孤立點的問題以及時間復(fù)雜度為O(n2)不利于對流媒體系統(tǒng)中大數(shù)據(jù)量的挖掘的問題，該方法基于排列組合的K-MEANS聚類算法深層次挖掘策略的內(nèi)在規(guī)則，對于更好地識別視頻內(nèi)容有著較好的實現(xiàn)效果。

[1]徐勇．基于聚類算法的內(nèi)容識別研究[J]．電腦與電信，2016(11)：39-41．

[2]孟彩霞．大數(shù)據(jù)環(huán)境下不良網(wǎng)絡(luò)內(nèi)容識別技術(shù)研究[J]．軟件導(dǎo)刊，2015，14(11)：19-21．

[3]岳曉峰，龔青池．視頻流圖像字符識別算法的研究和實現(xiàn)[J]．機械工程與自動化，2015(4)：73-75．